Búsqueda libre sobre archivos TXT

Este proceso tiene como finalidad realizar una búsqueda libre sobre el texto de documentos en formato PDF. Consta de dos procesos:

1. Extraer el texto de los documentos PDF
2. Realizar una búsqueda libre sobre el texto extraído a fin de localizar los términos suministrados. Esta búsqueda se realiza utilizando el criterio de proximidad entre términos a fin de proveer contexto al resultado.

Extraer el texto de los documentos PDF

El documento PDF es procesado y se crea un archivo .txt contentivo de la versión ANSI de dicho documento. Aún cuando se podría realizar la extracción de texto en el mismo proceso de búsqueda, este paso previo se justifica por cuanto incrementa la velocidad de respuesta al momento de la búsqueda libre. El resultado final será una carpeta con los archivos .txt obtenidos.

Búsqueda Libre

Este proceso trabaja sobre los archivos .txt obtenidos en el paso anterior. Para su ejecución solicita hasta 2 palabras a ser localizadas y la separación que debe existir entre ellas, la cual se expresa en el número máximo de espacios que deben figurar entre las palabras requeridas. Por ejemplo, si la separación es 1 las palabras deben estar contiguas (separadas por un espacio) ... y así sucesivamente.

Dado que la localización es por proximidad no importa el orden como figuren las palabras en la frase. Además la búsqueda es transparente al uso de acentos, mayúsculas o minúsculas.

El resultado de la búsqueda libre presenta los párrafos donde se localizaron los términos solicitados, indicando el número de página dentro del documento PDF donde se ubica el párrafo. Se provee además un enlace al PDF localizado.

Al final de la página se provee un resumen donde figura: el total de documentos procesados, total de documentos localizados, tiempo de ejecución

    Leidos: 3812 documentos
    Localizados: 278
    Tiempo de ejecución: 20.839427947998 segundos

Estructura de la demostración

Para esta demostración se creó una carpeta con 9 subcarpetas contentivas de

      Carpeta    No. de archivos
        1            376
        2            472
        3             49
        4            528
        5            508
        6            378
        7            498
        8            528
        9            475

Lo que da un total de 3.412 documentos.

Si los documentos están divididos en carpetas se puede localizar incluir en la busqueda una o más carpetas. También podría hacerse la búsqueda sobre documentos resultantes de una consulta sobre un base de datos.

Ejemplos

Localizar todos documentos con los terminos democracia participativa adyacentes

  http://abcdwiki.net/ABCD/pdf2text/search_pdf.php?Expresion_1=democracia&Expresion_2=participativa&dir=1,2,3,4,5,6,7,8,9&separacion=1

Localizar documentos donde figuran los términos municipal e información con una semaración máxima de 5 palabras

  http://abcdwiki.net/ABCD/pdf2text/search_pdf.php?Expresion_1=municipal&Expresion_2=informacion&dir=1,2,3,4,5,6,7,8,9&separacion=5

Localizar los documentos donde se hace referencia al autor Narbondo limitando la búsqueda a las carpetas 4, 5 y 6

  http://abcdwiki.net/ABCD/pdf2text/search_pdf.php?Expresion_1=Narbondo&dir=4,5,6&separacion=1

Localizar los documentos donde figure la empresa "colombia telecomunicaciones" en las carpetas 2,3 y 7

  http://abcdwiki.net/ABCD/pdf2text/search_pdf.php?Expresion_1=colombia&Expresion_2=telecomunicaciones&dir=3,6,7&separacion=1

Por hacer

1. Aumentar el número de términos que puedan suministrarse para la búsqueda libre. En este momento el máximo es dos
2. Ligar la búsqueda a documentos obtenidos como resultado de una consulta
3. Ampliar la tabla de diacríticos para otros idiomas (internacionalización)

... y otras opciones que puedan ser agregadas por sugerencia de los usuarios.